論文の概要: Assessing The Performance of YOLOv5 Algorithm for Detecting Volunteer
Cotton Plants in Corn Fields at Three Different Growth Stages
- arxiv url: http://arxiv.org/abs/2208.00519v1
- Date: Sun, 31 Jul 2022 21:03:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 12:53:07.339810
- Title: Assessing The Performance of YOLOv5 Algorithm for Detecting Volunteer
Cotton Plants in Corn Fields at Three Different Growth Stages
- Title（参考訳）: 3つの異なる成長段階におけるトウモロコシ畑のボランティア綿花検出のためのyolov5アルゴリズムの性能評価
- Authors: Pappu Kumar Yadav, J. Alex Thomasson, Stephen W. Searcy, Robert G.
Hardin, Ulisses Braga-Neto, Sorin C. Popescu, Daniel E. Martin, Roberto
Rodriguez, Karem Meza, Juan Enciso, Jorge Solorzano Diaz, Tianyi Wang
- Abstract要約: テキサス・ボール・ウィービル根絶プログラム (TBWEP) では、道路や畑に自作作物が生えているVCの植物を発見・排除するために人々が雇用している。
本稿では, トウモロコシ畑の中央に生育するVCプラントを検出するために, You Only Look Once Version 5 (YOLOv5) に基づくコンピュータビジョン (CV) アルゴリズムの応用を実証する。
- 参考スコア（独自算出の注目度）: 5.293431074053198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The boll weevil (Anthonomus grandis L.) is a serious pest that primarily
feeds on cotton plants. In places like Lower Rio Grande Valley of Texas, due to
sub-tropical climatic conditions, cotton plants can grow year-round and
therefore the left-over seeds from the previous season during harvest can
continue to grow in the middle of rotation crops like corn (Zea mays L.) and
sorghum (Sorghum bicolor L.). These feral or volunteer cotton (VC) plants when
reach the pinhead squaring phase (5-6 leaf stage) can act as hosts for the boll
weevil pest. The Texas Boll Weevil Eradication Program (TBWEP) employs people
to locate and eliminate VC plants growing by the side of roads or fields with
rotation crops but the ones growing in the middle of fields remain undetected.
In this paper, we demonstrate the application of computer vision (CV) algorithm
based on You Only Look Once version 5 (YOLOv5) for detecting VC plants growing
in the middle of corn fields at three different growth stages (V3, V6, and VT)
using unmanned aircraft systems (UAS) remote sensing imagery. All the four
variants of YOLOv5 (s, m, l, and x) were used and their performances were
compared based on classification accuracy, mean average precision (mAP), and
F1-score. It was found that YOLOv5s could detect VC plants with a maximum
classification accuracy of 98% and mAP of 96.3 % at the V6 stage of corn while
YOLOv5s and YOLOv5m resulted in the lowest classification accuracy of 85% and
YOLOv5m and YOLOv5l had the least mAP of 86.5% at the VT stage on images of
size 416 x 416 pixels. The developed CV algorithm has the potential to
effectively detect and locate VC plants growing in the middle of corn fields as
well as expedite the management aspects of TBWEP.
- Abstract（参考訳）: ボイル・ウィービル(anthonomus grandis l.)は綿花を主食とする深刻な害虫である。
テキサス州のローワーリオグランデ・バレーのような地域では、亜熱帯気候のため、綿花は年中栽培できるため、収穫の前の季節の種子はトウモロコシ(Zea mays L.)やソルガム(Sorghum bicolor L.)のような回転作物の中間で成長し続ける。
これらのフェラールまたはボランティア綿(VC)植物は、ピンヘッド赤道期(5-6葉期)に達すると、ウズラ害虫の宿主として作用する。
テキサス・ボール・ウィービル根絶プログラム (TBWEP) では、道路や農地の側面で成長するVCの植物を発見・排除するが、畑の真ん中で成長している植物は発見されていない。
本稿では,3つの成長段階(V3,V6,VT)におけるトウモロコシ畑の中央で成長するVCプラントを無人航空機システム(UAS)リモートセンシング画像を用いて検出するための,You Only Look Onceバージョン5(YOLOv5)に基づくコンピュータビジョン(CV)アルゴリズムの適用例を示す。
これら4種類のyolov5 (s, m, l, x) を全て使用し, 分類精度, 平均精度 (map) およびf1-score を用いて性能比較を行った。
YOLOv5sは最大分類精度98%,mAPは96.3%,YOLOv5sとYOLOv5mは最低分類精度85%,YOLOv5mとYOLOv5lは416 x 416ピクセルのVTで86.5%であった。
開発したCVアルゴリズムは、トウモロコシ畑の中央で成長するVCプラントを効果的に検出し、発見し、TBWEPの管理面を迅速化することができる。
関連論文リスト
- Identification of Abnormality in Maize Plants From UAV Images Using Deep
Learning Approaches [0.6226366855893847]
植物の異常の早期発見は、適切な生育を確保し、作物から高い収量を得るための重要な課題である。
本研究は, 成長段階とは無関係に, トウモロコシの異常度を判定する手法を開発した。
予備結果は、低い異常の88.89%の検出精度と100%の異常の検知精度を示している。
論文 参考訳（メタデータ） (2023-10-20T00:06:42Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - Multi-growth stage plant recognition: a case study of Palmer amaranth
(Amaranthus palmeri) in cotton (Gossypium hirsutum) [0.3441021278275805]
綿花中のAmaranthus palmeriの8クラス成長段階の認識について検討した。
YOLO v3、v5、v6、v6 3.0、v7、v8から26の異なるアーキテクチャのバリエーションを比較します。
すべての成長段階のクラスを認識できるmAP@[0.5:0.95]は、v8-Xで47.34%であった。
論文 参考訳（メタデータ） (2023-07-28T21:14:43Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳（メタデータ） (2023-04-22T22:39:03Z) - Swin-transformer-yolov5 For Real-time Wine Grape Bunch Detection [0.0]
この調査は、2019年7月から9月にかけて、シャルドネとメルローの2種類のブドウ品種について行われた。
提案されたSwin-T-YOLOv5は、ブドウ束検出のための他の研究モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-08-30T19:32:07Z) - Computer Vision for Volunteer Cotton Detection in a Corn Field with UAS
Remote Sensing Imagery and Spot Spray Applications [5.293431074053198]
綿花畑におけるイノシシ (Anthonomus grandis L.) 害虫の再寄生を抑えるため, 現在, ボランティア・綿花検出の実践は, 畑の端で手動のフィールド・スカウトを伴っている。
タッセリング(VT)成長期に成長するVC植物の検出と位置決定のために, YOLOv5mをラジオメトリックおよびガンマ補正低分解能(1.2メガピクセル)マルチスペクトル画像に適用した。
論文 参考訳（メタデータ） (2022-07-15T08:13:20Z) - Detecting Volunteer Cotton Plants in a Corn Field with Deep Learning on
UAV Remote-Sensing Imagery [5.293431074053198]
綿花のウズラは1800年代後半にメキシコからアメリカ合衆国に入って以来、160億米ドル以上の損害を被った。
トウモロコシのような季節間作物の畑で生育するボランティア綿(VC)植物は、これらの害虫の宿主として機能する。
本稿では,無人航空機 (UAS) で収集した3種類の航空機画像から, YOLOv3 を用いてトウモロコシ畑のVC植物を検出する方法を提案する。
論文 参考訳（メタデータ） (2022-07-14T05:59:54Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳（メタデータ） (2021-11-23T08:04:32Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳（メタデータ） (2020-12-14T10:44:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。